[发明专利]一种基于层次聚类的岸桥电机数据处理方法

说明书

为了更好地研究岸桥的动态性能，利用岸桥远程在线监测与评估系统(NetCMAS)所采集的岸桥数据，在不知道岸桥机械状态以及其对应数据的前提下，采用层次聚类无监督算法(Hierarchical Clustering)对岸桥左侧起升电机输出端(L1V)测点的电机振动烈度数值进行聚类分析。通过对振动烈度的区间划分，将岸桥左侧起升电机输出端(L1V)的机械状态划分成四类，即：电机启动振动阶段，电机轻度振动阶段，电机中度振动阶段和电机剧烈振动阶段。将层次聚类算法应用于岸桥起升电机的振动烈度聚类分析，划分振动区间，计算过程简单，稳定。与当下的无监督聚类算法Kmeans算法相比较，层次聚类算法无需确定初始值，从而保证了结果的确定性；与SOM(Self‑organizing Maps)算法相比，层次聚类算法计算过程简单。

技术领域

本发明涉及一种数据挖掘算法，特别是涉及一种应用于岸桥电机数据分析的层次聚类算法。

背景技术

岸桥作为港口运输中不可或缺的大型设备，在对其的监测和动态性能分析，以尽可能避免工作过程中的不必要损失，是当下急需的工作。在挖掘岸桥提升电机监测信息之前，通常无法得到数据的先验知识。状态识别，即聚类分析，是一种有效的监测手段。借助非监督学习的聚类算法可以有效解决上述问题。

目前，对工程数据采用非监督聚类分析的工程实例有基于Kmean算法的数据分析，还有基于SOM(Self-organizing Maps)算法的聚类分析。基于Kmean算法的缺陷在于：初始值需给定；而基于SOM(Self-organizing Maps)算法的分析在于其计算量大，而且算法复杂，计算量大。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种既不用确定初始值，且过程简单，计算量小的层次聚类算法分析岸桥数据。

根据层次分解是自底向上还是自顶向下形成,层次聚类方法可以分为凝聚的(agglomerative)和分裂的(divisive)。

凝聚的层次聚类AGNES(Agglomerative NESting)这种自底向上的策略首先将每个对象作为一个簇,然后合并这些原子簇为越来越大的簇,直到所有的对象都在一个簇中,或者某个终结条件被满足。其聚类过程图在附图中展示。

本发明的目的可以通过以下技术方案来实现：

一种基于层次聚类的岸桥数据处理方法，包括以下步骤：

步骤1：获取数据

在安装岸桥起重电机上的传感器，每间隔10到20秒提取实时振动烈度数据，并储存在数据库中；

步骤2：基于层次聚类算法划分聚类区间

步骤2.1计算数据之间的距离

使用欧式距离(Euclidean distance)度量数据集合中各个数据之间的距离(距离矩阵)，使用瓦德(Ward'slinkage)团簇间距离的计算公式计算，公式如下：

其中n_r、n_s分别为集合r,s的元素数目

为别为集合r,s的元素的平均数

步骤2.2初始化

把每个样本认为是一类，计算每两个类之间的距离，也就是样本与样本之间的相似度。

步骤2.2.1寻找各个类之间最近的两个类，把他们归为一类，

步骤2.2.2重新计算新生成的这个类与各个旧类之间的相似度，不断重复步骤2.2.1和步骤2.2.2。

步骤2.3收敛条件